Отримайте найбільший ефект від корпоративного штучного інтелекту за свої гроші з MLOps – лідери думок

Від Віктора Тху, віцепрезидента з питань успіху клієнтів і операцій, Datatron.

Опитування, проведене Gartner у кінці 2020 року, показало, що 75% респондентів планують продовжувати або розпочинати нові ініціативи з штучного інтелекту в наступному році. Водночас аналітики Gartner також виявили, що однією з найбільших труднощів при переході ініціатив штучного інтелекту у виробництво є нездатність цих організацій зв’язати ці інвестиції з бізнес-цінністю.

Що більше, широко оцінюється, що більшість проектів з штучного інтелекту та машинного навчання зазнають невдачі. І цей факт може зробити ще складніше отримання згоди від керівництва на ці інвестиції. Саме тут MLOps – операції з машинного навчання – можуть відігравати ключову роль.

Поточний ландшафт МЛ

Машинне навчання пропонує глибокі можливості для організацій, але реальність полягає в тому, що досягнення цих можливостей може бути дорогим і тривалим. Тому, хоча інтерес до впровадження МЛ високий, фактичне впровадження у виробництво залишається низьким. Головним перешкодою для впровадження рішень у виробництво не є якість моделей, а скоріше відсутність інфраструктури, яка б дозволила компаніям це зробити.

Життєвий цикл розробки машинного навчання фундаментально відрізняється від життєвого циклу традиційної розробки програмного забезпечення. За останні 20 років люди, в основному, зрозуміли, що потрібно для традиційного програмного забезпечення, щоб перейти від розробки до виробництва. Вони розуміють обчислювальні, програмні, мережеві, сховищі та інші елементи, необхідні для забезпечення того, щоб додаток працював добре.

На жаль, більшість намагається використовувати той самий життєвий цикл розробки програмного забезпечення (SDLC) для життєвого циклу розробки машинного навчання (MLLC). Однак МЛ є суттєвою зміною парадигми. Виділиання інфраструктури унікальне. Мови та фреймворки різні.

Моделі машинного навчання можна створити відносно швидко за кілька тижнів, але процес їхнього впровадження у виробництво може тривати від шести до дев’яти місяців через ізольовані процеси, роз’єднання між командами та ручне перекладання та написання скриптів МЛ-моделей у існуючі програми.

Також складно контролювати та керувати моделями машинного навчання після їхнього впровадження у виробництво. Не існує гарантії, що МЛ-моделі, створені в лабораторії, працюватимуть так, як передбачалося у виробництві. І є кілька різних факторів, які можуть бути причиною цього.

Переваги MLOps

Коли мова йде про розгортання моделей машинного навчання у виробництві, як згадувалося, може статися багато чого. Коли команди IT/DevOps намагаються оперціоналізувати моделі машинного навчання, їм потрібно ручне написання скриптів та автоматизація різних процесів. Ці моделі часто оновлюються, і кожного разу, коли моделі оновлюються, весь процес повторюється.

Коли організація має все більше моделей та різних ітерацій цих моделей, відстеження їх стає величезною проблемою. Однією з великих проблем є те, що часто інструменти, які вони використовують, не адресують проблему різних кодових баз та фреймворків, які є роз’єднаними один з одним. Це може привести до проблем, що результатом є марнування часу та ресурсів, серед інших питань. Більшість команд сьогодні також борються з відстеженням та версіонуванням під час оновлення своїх моделей.

MLOps допомагає звести роз’єднання між науками про дані та операціями для керування життєвим циклом МЛ у виробництві – по суті, застосовуючи принципи DevOps до доставки МЛ. Це дозволяє швидше виходити на ринок для МЛ-рішень, швидшу швидкість експериментування та забезпечення якості та надійності.

Використовуючи традиційні моделі SDLC, ви, можливо, зможете зробити одну чи дві МЛ-моделі на рік, при великих зусиллях та з крайньою неефективністю. Але з MLOps ви можете масштабуватися, тому можете вирішувати кілька проблем. Ви можете використовувати ці моделі, щоб краще націлюватися на потенційних клієнтів, знаходитись більш актуальних клієнтів або знаходити та покращувати неефективності. Ви зможете швидше впроваджувати покращення, в кінцевому підсумку покращуючи продуктивність та прибуток.

Елементи успіху MLOps

MLOps не є срібною кулею. Вам все ще потрібно мати належну основу та знати найкращі практики, щоб це працювало. Щоб успішно впроваджувати MLOps, вам потрібно зосередитися на двох основних завданнях. Перше – це розуміння різних ролей. Вам потрібно забезпечити, що у вас є правильна, різноманітна група навичок та працівників; не сприймайте вчених про дані та інженерів з машинного навчання як одне й те саме. Обидва необхідні, але вам потрібно поєднання.

Друге, чого потрібно пам’ятати, – це не намагатися зробити все самостійно. MLOps також є трудомістким, що вимагає великих команд інженерів з машинного навчання. Важливо продумати, чого вам потрібно, та розглянути інструменти, які доступні для спрощення підходу та оптимізації кількості необхідних людей.

Рух вперед з впевненістю

Аналітики галузі оцінюють, що близько половини корпоративних проектів з штучного інтелекту приречені на невдачу. Є кілька причин такого провалу, включаючи культуру організації. Але основною причиною є відсутність належної технології для підтримки проекту. MLOps є дуже корисним інструментом для допомоги організаціям досягти успіху в їхніх проектах з штучного інтелекту та машинного навчання, що призводить до конкурентної бізнес-переваги.